本研究由Sean P. McKee、Xiaomin Liang、William C. Yao等作者共同完成，研究团队来自多个机构，包括德克萨斯大学休斯顿健康科学中心的耳鼻喉头颈外科系、生物医学信息学中心、爱荷华大学医院与诊所的耳鼻喉科等。该研究于2025年发表在《American Journal of Otolaryngology–Head and Neck Medicine and Surgery》期刊上，题为“Predicting Sinonasal Inverted Papilloma Attachment Using Machine Learning: Current Lessons and Future Directions”。
鼻窦内翻性乳头状瘤（Inverted Papilloma, IP）是一种较为罕见的鼻窦肿瘤，占所有鼻窦肿瘤的0.4%至7%，年发病率约为每10万人中0.2至1.5例。尽管IP通常为良性肿瘤，但其复发率约为14%，且有5%至7%的患者可能恶变为鳞状细胞癌（IP-SCC）。为了降低复发和恶变的风险，手术切除肿瘤及其附着部位是关键。术前计算机断层扫描（CT）是IP的首选影像学检查方法，通常表现为单侧鼻窦肿块伴局部骨质增生（hyperostosis），这些骨质增生区域通常与肿瘤的附着部位相关。然而，目前尚无基于机器学习（Machine Learning, ML）的技术用于术前CT图像中IP附着部位的自动识别。因此，本研究旨在开发一种基于深度学习的ML模型，用于分析CT图像并识别IP的附着部位。
研究采用回顾性分析方法，纳入2008年3月至2021年1月期间在德克萨斯大学休斯顿健康科学中心接受手术治疗的IP患者。纳入标准包括年龄大于18岁、经病理学确诊为IP、术前高质量非增强CT扫描（切片厚度<1.25 mm）以及详细的手术记录。排除标准包括不完整的手术记录、低质量CT扫描、诊断为IP-SCC或术前CT扫描中未发现与术中确定的附着部位相对应的骨质增生区域。
研究的主要流程包括以下几个步骤： 1. 数据收集与预处理：从电子病历中提取患者的年龄、性别、种族、既往鼻窦手术史、肿瘤附着部位（上颌窦、筛窦、蝶窦、额窦或鼻腔）等信息。术前CT图像被下载并存储为DICOM文件，随后使用ITK-SNAP软件进行三维重建。 2. 手动分割：由经验丰富的耳鼻喉科医生在CT图像上手动分割出与肿瘤附着部位相对应的骨质增生区域，作为ML模型的“金标准”。 3. 深度学习模型开发：研究采用NNU-Net模型，这是一种基于深度学习的分割算法，能够自动配置图像预处理、网络架构、训练和后处理。模型通过5折交叉验证进行训练和评估，以避免过拟合。每次迭代将数据分为训练集、验证集和测试集。 4. 模型评估：使用Sørensen–Dice系数（Dice）评估模型的分割性能，Dice系数越高，表示模型输出与手动分割的重叠度越高。 5. 统计分析：通过单变量和多变量逻辑回归分析，评估影响模型识别附着部位成功率的因素。
研究共纳入58例患者，其中55.2%（n=32）的病例中，NNU-Net模型成功识别了肿瘤附着部位，平均Dice系数为0.34（±0.24）。单变量分析显示，模型在上颌窦附着部位的识别效果较好（OR=4.0，p<0.05），而在翻修手术中的表现较差（OR=0.13，p<0.05）。多变量逻辑回归分析进一步证实了这些关联。
本研究首次开发了一种基于深度学习的ML模型，用于术前CT图像中IP附着部位的自动识别。尽管模型的识别成功率仅为55.2%，但其在上颌窦附着部位的识别中表现较好，为未来ML技术在鼻窦肿瘤诊断中的应用奠定了基础。研究结果表明，ML模型在识别IP附着部位方面具有潜力，但仍需更大规模和多样化的数据集来提高其临床应用的可靠性。
未来的研究应通过多机构合作扩大样本量，并纳入更多不同附着部位和手术类型的病例，以进一步提高模型的准确性和临床实用性。此外，还可以探索其他深度学习算法，以优化模型的性能。
总之，本研究为ML技术在鼻窦肿瘤诊断中的应用提供了初步证据，展示了其在提高手术精准性和患者预后方面的潜力。